AIOps涉及哪些领域和方向？

2016年，Gartner首次提出AIOps这个概念时，用的是“Algorithmic IT Operations”，也就是算法驱动的IT运维。到今天，这个缩写的内涵已经悄然扩展成了“Artificial Intelligence for IT Operations”——人工智能驱动IT运维。技术迭代和行业认知的演变，让这个词的边界不断拓宽。

接下来，从故障发现、故障定位、容量管理、变更控制、预案制定、磁盘故障预测，以及大模型应用这七个关键维度，把这些实践和思考掰开揉碎，逐一解读。

故障发现与AI结合

先说说故障发现这块。它面临的挑战，很多已经超出了人力所能及的范围。概括下来，核心问题有三类。

第一个挑战——监控项本身庞大到令人窒息。服务越复杂，监控指标就越像雪崩一样滚滚而来。拿不同运营商、不同地区的流量数据来说吧，细分下来可能产生几百条数据曲线，每一条都需要量身定制监控策略。靠人工去配置这些规则，不仅任务繁重，经济上也不划算。

第二个挑战，是微小变化检测。尤其那些渐进性下降或者微小波动的场景，肉眼几乎看不出端倪。比如流量曲线缓慢下滑，可能预示着系统某些地方在“悄悄出问题”。这方面，有个典型的场景特别值得提一下：如果今天的总请求量大于昨天，通常大家会觉得正常。但细究一下，假如今天0～12点的请求量高于昨天同期，而12点之后开始缓慢走低，最终低于昨天同期的水平，这种细微的反常，背后很可能就藏着异常。这时候，自动化的监控工具就成了关键，它能帮我们捕捉到那些容易被忽略的异常模式。

第三个挑战是——只看单一指标，很难还原问题的全貌。很多时候，准确诊断需要同时看多个指标的变化。以短视频服务为例，光看播放量或者播放时长，其实很难判断服务是否健康。如果播放量和播放时长一起上涨，基本正常；如果一起下降，也可能只是正常波动。但如果播放量在涨，播放时长却跌了，那大概率就有问题了——比如推荐系统可能出了岔子。

所以，在故障发现这个领域，目前可以归纳出三个主要的研究方向：

单指标异常检测：这是当前最活跃的研究方向之一。AI在识别单指标异常上的效果已经非常显著，无论是工业界还是学术界，都把它当作AIOps的热点话题，发文章的热度一直居高不下。

多指标联合分析：当多个关键性能指标（比如SLA、延迟、系统负载等）同时出现异常时，就需要一个智能决策机制来综合分析它们的相互关系和影响。这种多维度的交叉判断，才能更准确地判定是否真的出了问题、问题出在哪儿。

报警优化：成千上万的监控指标，阈值怎么设？靠人为预测和手工设定，几乎不现实。这里就需要智能算法来辅助，自动预测、自动设定，从源头上减少误报和漏报，提升监控系统的整体效率。

故障定位与AI结合

服务出问题了，定位难在哪儿？最核心的，是成因太复杂。到底是单个服务器或实例的问题，还是网络故障，又或者是其他外部因素？

如果故障只出现在少量机器上，基本可以判断是机器本身的问题，而不是上层服务导致的。如果是同一网段的多台机器同时出问题，多半是网络异常——配置问题或者网络设备故障。如果是同一型号、同一批次的机器集体出问题，那很可能是这批硬件存在共性缺陷。

难点之二，在于调用链路的深度和复杂性。云计算和大数据技术普及之后，分布式和微服务架构让业务系统之间的交互变得极其复杂。一个故障发生，要追踪它的因果关系，难度直线上升，主要体现在两点：一方面，调用层次太深，在多层的服务调用链条里，故障很容易在多个服务和组件之间“传播”；另一方面，故障之间的先后顺序和因果关系怎么确定？是服务A导致了服务B，还是反过来？这个问题堪称运维版的“先有鸡还是先有蛋”，牵涉的服务越多，判断就越烧脑。

难点之三，导致故障的因素太多样。比如流量出现波动，背后可能是促销活动、节假日影响，也可能是内部系统故障。外部事件——像节假日或特殊活动——对流量的冲击经常被遗忘在故障分析之外。同时，也必须在第一时间排查到底是不是内部系统的问题，比如服务故障或性能瓶颈。

因此，在故障定位领域，目前主要探索了三个方向：

多维定位（下钻定位）：从不同维度深入分析故障，通过细化问题来收窄定位区间。比如，从特定服务、具体实例、时间窗口一步步下钻，逐步缩小故障范围。

因果关系判断：在复杂系统中，故障常常由一系列事件串联而成。这一方向需要开发智能算法，分析时间序列数据，识别先行指标，判断哪些事件是直接原因，哪些是间接影响或结果。

重复故障定位：针对系统反复出现的故障，重点在于识别其中的模式和规律。通过历史数据，建立预测模型，提前干预，减少重复故障的发生概率和影响。

容量与AI结合

容量管理与AI结合，主要落在这三个关键点：

流量预测：这是容量管理最基础的工作。AI通过时间序列分析、回归模型等机器学习算法，对历史流量数据进行建模，识别流量模式和趋势，预测未来的变化轨迹，包括节假日、促销活动等特殊事件的影响。预测准了，才能提前规划资源，避免流量高峰时出现服务抖动甚至挂掉。

服务资源画像：说白了，就是搞清楚一个服务在不同条件下到底需要多少资源——CPU、内存、存储、网络带宽等。AI可以通过分析服务在不同查询率（QPS）和硬件配置下的表现，构建出资源需求模型。有了这张“画像”，资源分配和优化就更精准了。

扩容决策：根据当前和预测的请求量，决定到底需要多少资源。AI可以实时分析数据，辅助决策者判断何时该加资源、加在哪儿，以及怎么分配最合理。

变更与AI结合

系统上线、变更的过程中，人工检查一直面临两个痛点：一是检查成本太高，二是容易遗漏关键信息。面对密密麻麻的检查项，细微的异常靠眼睛盯几乎不可能，这就限制了变更拦截的精准度。

另一个问题是——上线团队往往只盯着自己负责的服务，而忽略了对上下游服务的影响评估。再加上检查标准不统一，发布工具中的阈值设置不完善，进一步拉低了变更拦截的准确率。

智能检测技术的价值就在这里——它能自动分析服务上线对上下游的潜在影响，全面监测相关指标，还能捕捉那些肉眼根本看不到的微小变化。自动化的全面检查，让变更拦截的精度和效率都上了一个台阶。

预案与AI结合

预案与AI结合，核心要解决的是——怎么快速得到准确有效的决策。工程师在高压环境下做决策，本身就有难度。人工处理故障时，响应慢、判断失误、操作错误，这些情况并不少见。

之前就遇到过一次服务雪崩式的故障，当时现场一片混乱，有人提议重启服务，有人建议切流，还有人主张限流。每个人都有自己的道理，但最终的结果是——决策混乱让故障持续时间无限拉长。那究竟什么样的决策才是最合理的？这时候，AI就有了用武之地。把人工智能和预案管理结合起来，形成一套智能决策流程，既能加快判断速度，又能提升决策质量和效率。

磁盘故障与AI结合

磁盘故障预测，是AIOps应用中比较成熟的场景之一。提前识别和预测磁盘故障，能大幅提升数据的安全性和系统的可靠性，减少因数据丢失或系统中断带来的风险。

具体做法是：利用机器学习和深度学习技术，分析磁盘的各类相关数据，构建预测模型，识别故障的早期迹象，及时把即将出问题的磁盘修复或替换掉。

大模型与运维

大模型给运维领域带来的一个最直观的变化就是——工具终于能“听懂人话”了。AI能够理解人类的自然语言，人类也能看懂AI的输出。这种双向理解，极大地增强了人机协作的效率。

具体来说，大模型让AI能解析运维人员的自然语言指令和查询，更准确地响应需求；同时，AI还可以用人类易读的方式生成报告和解释，帮助运维人员快速掌握系统状态和问题核心。通过自然语言交互，运维人员可以更直观地与AI系统合作，进行故障诊断、数据分析和决策制定。大模型带来的不止是自动化和智能化水平的提升，更是人机协作方式的革命性变化。

小结

这节课我们从故障发现、故障定位、容量预测、风险预案、变更管理、磁盘故障预测，一直聊到大模型应用，逐一拆解了AI与系统可靠性结合的多个关键领域。AI的引入，正在突破传统人工方法的种种局限，解决那些曾经被视作“死结”的难题。后续几节课，我们会深入到每一个领域，具体聊聊AI应用的技术细节和最佳策略。